·76 智能系统学报 第7卷 测模型，利用图像的统计特性，通过加入可变化的弹 尺度的图像特征，他们仅在较为粗糙的层面上大致 性阈值，快速检测出图像中的显著区域，并通过自动 计算了图像的特征图.实际上，该方法只生成了一 反馈修改阈值，调节显著区域面积大小.本文主要结 个很模糊的视觉显著性区域图.本文方法与其不同 合在Lab颜色空间下的图像显著性区域和Gabor小 之处在于，快速生成了一个精细的并与输人图像尺 波处理所得到的区域进行检测，在缩小检测范围的 寸相同的显著性图。 同时提高检测速率和准确率 Goferman等[4提出了一种基于上下文的显著 性区域算法，其目标是检测图像中代表某些场景的 1显著性区域 图像区域.他们认为像素的显著性应该由以该像素 首先，有必要了解一下视觉显著性.如在图1 为中心的图像块表示或与之相关，因为这样才反应 中，A要比其他部分更加突出，因此能够迅速引起观 了像素所在位置的图像上下文信息.这样，如果以像 察者的注意.这种突出性就是视觉显著性，突出性较 素i为中心的图像块P:与图像中所有其他的图像块 强的A部分就是该图像的显著区域.心理学研究发 差异都非常大，那么可以将像素认为是显著的， 现，那些能够产生新异的、较强的和人所期待的刺激 定义d(P:,卫)为向量化了的图像块P:和p之 场景区域容易引起观察者的注意.据此，可以将视觉 间在CIE Lab颜色空间中的Euclid距离，并且归一 显著性划分为2种类型：一种是基于低级视觉，由数 化到[0,1]；当d.(p:,P)对任意的图像块P都非常 据驱动的自下向上的视觉显著性(bottom-p sali- 大时，则认为像素（图像块P:)是显著的.再定义 ency),图2中的视觉显著性就属于这种类型；另一 d,(p:,P)为图像块p:和p所在位置之间的Euclid 种是基于高层视觉，由知识驱动的自上向下的视觉 距离，并且也被归一化到[0,1]，基于上面的思想， 显著性(top-down saliency).由于这2种视觉显著性 Goferman等定义了一个衡量一对图像块的相似性的 的形成机理存在较大差异，因此有必要分别对其展 方法： 开研究.本文的研究就是针对前者展开的。 d.(p,p） d(PiPj)=I+cxd(P:Pi)' (1) 在Goferman等提出的方法中，只考虑K个最相 似的图像块（如果最相似的图像块都明显地不同于 图像块卫：，那么显然图像中的所有图像块都明显地 不同于图像块P:).因此，对于每一个图像块P:,在输 入图像中根据式(1)找出K个最相似的图像块，并 根据式(2)计算位置i处像素的显著性 s=1-em-2a小 (2) Iti等的方法和Goferman等的方法都能有效地 图1视觉显著性示例 Fig.1 Example of saliency 检测出输人图像的视觉显著性区域，但是由于在精细 的原图上直接检测视觉显著性图的计算量巨大，所以 图像的显著性区域检测是计算机视觉中的挑战 他们都只制作了一个粗略检测的视觉显著性图. 性难题之一，由于依赖于显著性区域的应用种类繁 多，因此存在很多不同的显著性区域定义和感兴趣 2显著性区域检测模型 区域的检测算法.有一类显著性区域检测算法关注 本文提出的钢铁铸坯表面缺陷显著性区域的检 于找出人类观察者第一眼所注意到的固定点或对 测模型如图2所示.其模型总共包含3个模块，即预 象，这类显著性对于理解人类关注点和特定的应用 处理模块、生成显著性图和感兴趣区域提取.首先将 (如自动聚焦)都非常重要，其他的显著性检测算法 原始图像进行预处理，包括滤波、图像尺寸调整和颜 更加注重于检测图像中的单个主要对象 色空间转换；然后通过计算图像中每个像素的全局 I等[3]根据早期原始视觉系统的行为和神经 对比度，继而得到原图的显著性区域图，再对显著性 网络结构提出了一个视觉关注系统.I等的算法将 区域图进行阈值选取，提取得到具有极高显著性的 多尺度的图像特征组合到一个单一视觉显著性图 大致轮廓和区域；最后再结合Gabor小波的滤波处 中，这些多尺度的图像特征包括6个亮度特征图、12 理结果，可以准确地标注出更为可靠的显著性区域， 个彩色和24个方向特征图.为了快速地检测这些多 并从原图中分割出来